基于在线评价与评论信息的电商卖方服务评价

于 超， 赵智超

(沈阳工业大学 管理学院， 沈阳 110870)

为了营造积极且公平的网络竞争环境，为电子商务平台上买方的购买决策提供参考和借鉴，同时辅助卖方获取顾客反馈以提升服务质量，电子商务平台通常会依据买方的在线评价信息对卖方提供的相关服务进行客观评价。例如，天猫商城、京东商城等均会依据买方的在线评价信息对其平台上商户提供的服务进行评价。目前，大多B2C电子商务平台均会让买方针对卖方提供服务的整体水平给出分值形式的评价，此外，买方还可以根据自身体会给出文本形式的评论信息。一般来说，分值形式的评价信息包含的内容单一，文本形式的评论信息更能清楚地描述出服务的优势与劣势，更为客观地反映出服务水平，对消费者购买决策的影响更为重要[1-2]。在进行服务评价时有必要考虑顾客的在线评论信息[3-4]，然而现有电商在对其平台上卖方的服务进行评价时，仅采集了买方给出的分值形式的评价信息，据此得到一个总体评分，对买方给出的文本形式评论信息关注不够。卖方服务水平的高低通常可由多个方面体现，如网页设计、响应速度、服务态度、发货速度、产品包装和售后服务等，针对其服务的评价有必要考虑卖方在各环节所提供的服务水平，以清楚地揭示其优势与劣势，辅助卖方的服务改进，同时为买方购买决策提供有效的参考[5-6]。针对卖方整体服务水平给出的单一分值形式的评价信息，往往不能全面反映卖方各方面服务的水平。因此，在对电子商务平台上卖方的服务进行评价时，如何采集并有效利用买方给出的在线评价与评论信息，得出更为客观全面的服务评价结果，具有实际意义。

一、文献综述

从已有文献来看，关于服务评价方法的研究已取得了丰硕的成果，主要包括SERVQUAL方法[7]、修正的SERVQUAL方法[8]、SERVPERF方法[9]、Non-difference方法[10]和加权绩效评价方法[11]等。近年来，关于在线服务评价的研究开始引起部分学者的关注。例如：付晓东等针对在线服务评价问题提出一种面向不完整序数偏好的在线服务评价方法[12]；Lee等通过对297位在线顾客的调查发现，网页设计、可靠性、响应性和可信性均会影响顾客感知的在线服务质量和顾客满意度，进而影响到顾客购买意愿[13]；Bauer等针对在线购物中涉及的服务质量评价问题，提出了一个基于交易流程的模型，以功能设计、乐趣、操作流程、可靠性和响应性为判断服务质量的指标，对交易流程中各阶段的服务进行评价[14]；Hu对在线服务质量评价问题进行了研究，构建了电子商务服务质量评价系统，通过实证研究确定有形性、可靠性、响应性、可信性和移情性为评价系统中的五个服务质量评价指标，并通过层次分析法确定了指标权重[15]；Wu等对电子交易中涉及的电子服务质量评价问题进行了研究，通过问卷调查和模糊层次分析法确定了电子服务质量的评价指标和权重[16]；Lin等提出了一个在线服务质量评价框架，建立了电子服务质量和物流服务质量两个评价维度，并基于收集的在线数据识别出影响顾客满意度的质量要素[17]；Omar等研究了移动服务质量评价问题，选择通过移动设备购买时尚服装的英国顾客作为研究对象开展实证研究，获取了移动服务质量评价的四个维度，并分析了其与顾客忠诚度的关系[18]。

关于在线服务评价的研究成果为解决在线服务评价问题提供了较好的思路和支撑。已有研究指出，有必要对电子商务平台上的卖方服务进行全面的评价，并通过研究给出了电子商务在线服务评价过程中需要考虑的多种影响服务质量的因素，同时指出在评价过程中有必要同时考虑顾客的在线评价与评论信息；但已有研究大多侧重于电商卖方服务质量评价指标选取方面的研究，较少关注评价数据源选取与数据收集处理方面的研究，特别是全面考虑顾客在线评价与评论信息的B2C电子商务平台卖方服务评价研究。基于此，本文着重研究基于在线评价与评论信息的电商卖方服务评价方法。首先，通过爬虫程序获取一定时期内待评价电商卖方出售的所有商品的全部评价与评论信息；其次，对获取的在线评论信息进行情感分析，计算评论信息对电商卖方各服务评价指标的情感强度；再次，分别依据在线评价和评论信息计算电商卖方服务的评分；最后，综合考虑由在线评价和评论信息计算得到的电商卖方服务评分，计算其在各服务评价指标上的评分，并在此基础上计算出总体评分，为电子商务平台上的卖方和买方提供参考。

二、问题描述

本文关注的是基于在线评价与评论信息的电商卖方服务评价问题，即同时考虑由有过购买经历的顾客针对电商卖方服务情况给出的在线评价和评论信息，对电商卖方进行较为全面细致的评价。研究不仅要给出卖方服务的总体评分，而且要清楚地揭示出电商卖方在各个服务环节所提供的服务的水平，以辅助电商卖方根据顾客反馈提升服务质量，同时为买方购买决策提供参考。这里假设针对电商卖方服务的在线评价与评论信息已经大量存在，且均由有过购买经历的顾客客观给出。

下面的符号用来表示基于在线评价与评论信息的电商卖方服务评价问题中所涉及的集和量：

C={C1，C2，…，Cm}，表示电商卖方服务评价指标集合。其中Ci表示第i个电商卖方服务评价指标，i=1，2，…，m。

L={L1，L2，…，Lq}，表示程度副词词典，即程度副词集合。其中Lh表示第h个程度副词，h=1，2，…，q。一般来说，程度副词与情感词经常一同出现，在程度副词的修饰下情感词的情感强度会发生改变[19]。

B=(b1，b2，…，bq)，表示程度副词对情感词情感强度的改变系数向量。其中bh表示第h个程度副词对情感词情感强度的改变系数，0

N={N1，N2，…，Nv}，表示否定副词词典，即否定副词集合。其中Nu表示第u个否定副词，u=1，2，…，v。当否定副词与情感词一同出现时，情感词的情感强度会发生反转[19]。

本文要解决的问题是，依据C、W、Ri、Si、Ai、L、B和N等有关信息，如何采取可行的方法对电商卖方的服务水平进行有效评价。

三、原理与方法

1. 在线评价与评论信息的采集及预处理

通常电子商务平台上的某一电商卖方(即店铺)会同时出售多款商品，顾客在购买任一款产品后均可对该电商卖方的服务进行评价，给出分值形式的评价信息和文本形式的评论信息。可见，店铺对任一款商品的服务情况都会影响到其总体服务水平，因此有必要明确待评价电商卖方出售的全部商品，并获取一定时期内顾客对商品的全部评价与评论信息。由于顾客在线评价与评论信息数据规模巨大，因此可通过爬虫程序进行数据与文本信息的采集。

通常，针对电商卖方服务的评价采用1～5分的评分标准，1分最差，5分最好。一般来说，顾客在电子商务平台上购买商品后，均会对电商卖方服务给出分值形式的评价，若一段时间后仍未评价，则系统会默认给出满分好评，故分值形式的在线评价可视作无缺失信息。记G=(g1，g2，…，gt)为爬取得到的一定时期内顾客针对电商卖方服务给出的评分向量，其中gf表示一定时期内第f位顾客针对电商卖方服务给出的评分，f=1，2，…，t。

2. 在线评论信息的情感强度计算

为了更为准确地分析文本形式评论信息的情感强度，定义了程度副词词典和否定副词词典，二者分别基于知网提供的程度级别词语集和否定词语集。考虑到实际使用频率，分别从中选取部分程度副词和否定副词组成程度副词词典L={L1，L2，…，Lq}和否定副词词典N={N1，N2，…，Nv}。由于在程度副词的修饰下情感词的情感强度会发生改变，故为程度副词词典中的程度副词定义了刻画其对情感词情感强度影响的改变系数向量B=(b1，b2，…，bq)。

r=1，2，…，s；k=1，2，…，li；i=1，2，…，m

(1)

r=1，2，…，s；i=1，2，…，m；j=1，2，…，ni

(2)

3. 电商卖方服务水平的评价

一般来说，顾客针对电商卖方服务给出的评分是其全面考虑电商卖方各服务评价指标后给出的综合性评分，并不代表电商卖方在各服务评价指标上均获该评分。顾客通常会针对表现突出和表现不足的方面给出具体评论信息，故可用数值型在线评价信息(即评分)代表评论信息中未提及的服务评价指标评分；而针对在线评论信息中提及的服务评价指标，则有必要通过情感分析确定其情感强度，综合考虑在线评价与评论信息，从而得到该服务评价指标的最终评分。

(3)

依据计算得到的每条在线评论信息对各评价指标的情感强度，可进一步计算由在线评论信息分析得到评分。为了方便计算，定义在线评论信息Dr中针对电商卖方服务评价指标Ci的情感强度eri取值的指示向量λr=(λr1，λr2，…，λrm)，其中λri表示针对eri取值的指示信息，其计算公式为

(4)

记ei为由在线评论信息分析得到的顾客针对电商卖方服务评价指标Ci的情感强度，其计算公式为

(5)

(6)

针对一个电商卖方服务评价指标，分别对在线评价与评论信息进行分析和处理可得到两个评分结果，在评价中均应该予以考虑。记Wi=(wi1，wi2)为针对电商卖方服务评价指标Ci的在线评价与评论信息的权重向量。其中，wi1表示在线评价结果的重要性程度，wi2表示在线评论信息的重要性程度，满足0≤wi1，wi2≤1，且wi1+wi2=1。考虑到参评人数会直接影响到评价结果的可信程度，其计算公式分别为

(7)

(8)

从式(7)、(8)可以看出，当针对某一电商卖方服务评价指标没有顾客给出在线评论时，在线评价结果的权重为1，在这种情况下，依据在线评价信息得到的评分即对该电商卖方服务评价指标的评分。

(9)

进一步地，将各服务评价指标下的评分进行集结，可计算得到电商卖方服务的总体评分G总，公式为

(10)

4. 电商卖方服务评价的计算步骤

综上，基于在线评价与评论信息的电商卖方服务评价具体计算步骤为：

步骤1爬取待评价电商卖方在一定时期内出售的所有商品的全部在线评价与评论信息，并对其进行预处理。

步骤2根据式(1)、(2)，计算不同顾客给出的在线评论信息对电商卖方服务评价各指标的情感强度eri。

步骤6根据式(10)，计算电商卖方服务的总体评分G总。

四、算例分析

LK旗舰店是天猫电子商务平台上的一家店铺，主要出售提供定制服务的印刷制品，如宣传册、台历等。由于定制商品对卖方服务要求较高，对卖方服务的评价是卖方与买方共同关注的问题。首先，利用爬虫软件爬取该店铺在售的12种商品6个月(2016年7月1日至2016年12月31日)内的全部在线评价与评论信息，剔除无效数据，得到4 330条在线评价信息和1 965条在线评论信息，并对其进行预处理。为了全面客观地对电商卖方服务进行评价，依据该店铺的特点选择了六个服务评价指标，分别为设计服务(C1)、响应速度(C2)、服务态度(C3)、工作效率(C4)、分装包装(C5)和售后服务(C6)，令各指标重要程度相同，并分别建立可用于描述这六个指标的特征词或短语的集合。依据知网(HowNet)提供的情感分析用词语集和HowNet语义相似度计算软件[21]针对这六个指标建立情感词典，并定义程度副词词典和否定副词词典。此外，针对情感词典中的各情感词定义了情感强度值，针对程度副词词典中的程度副词定义了其对情感词情感强度影响的改变系数。表1列举了情感词典、程度副词词典及否定副词词典中的部分词语，以及对应于情感词的情感强度值和对应于程度副词的改变系数值。

表1 选词示例

根据式(1)、(2)，可计算得到不同顾客给出的在线评论信息对电商卖方服务评价各指标的情感强度eri。对各电商卖方服务评价指标给出在线评论信息的人数分别为379人、29人、521人、331人、45人和16人。根据式(4)、(5)，可计算出由在线评论信息分析得到的顾客针对电商卖方服务评价各指标的情感强度ei，计算结果为e1=1、e2=0.7、e3=1.43、e4=1.05、e5=0.79、e6=0.84。

根据式(7)、(8)，可分别计算出针对电商卖方服务评价指标Ci的在线评价与评论信息的权重向量，计算结果为W1=(0.91，0.09)、W2=(0.99，0.01)、W3=(0.89，0.11)、W4=(0.92，0.08)、W5=(0.99，0.01)、W6=(1，0)。

为了清晰展现LK旗舰店在不同服务评价指标上存在的问题，以便进行有针对性的服务质量改进，将电商卖方服务在各服务评价指标下的评价结果绘制为雷达图，如图1所示。其中，实心点表示基于在线评价信息得到的评价结果，空心圈表示基于在线评价与评论信息得到的评价结果。由图1可知，两种不同评价方法得到的结果相近，但又不尽相同，基于在线评价与评论信息得到的评价结果显示该卖方在服务态度(C3)和售后服务(C6)两个方面表现相对较好，在设计服务(C1)、响应速度(C2)、工作效率(C4)和分装包装(C5)四个方面相对薄弱，有待于进一步改进。

图1 电商卖方服务评价结果雷达图

将本文提出的评价方法应用于LK旗舰店服务评价中，不仅得到了其总体评分，而且清楚地揭示出在不同服务评价指标上的表现，更有利于该店铺发现并改进现有服务的不足之处，同时为买方的购买决策提供有效参考。

五、结 语

本文针对电商卖方服务评价问题开展研究，给出了一种基于在线评价与评论信息的评价方法。该方法将顾客在电子商务平台上发表的数据规模巨大的在线评价与评论信息应用于评价中，不仅逻辑清晰、可操作性强，而且得到的评价结果能多维度反映电商卖方的服务水平，具有实用性，为解决电商卖方服务评价问题提供了一种新的途径。